在商业银行信用风险管理中,违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。在现代商业银行的信用风险度量系统中,违约概率的测算已经成为商业银行计算预期损失和Var值、确定经济资本的核心工具之一。违约概率模型的研究一直都是理论界和金融界的热点。基于多元线性统计理论的传统违约概率模型结构简单,解释能力强,计算强度小,因此被理论界和银行界广泛采用,但是其严格的统计假设条件、容易产生模型设定偏差、缺乏对违约风险的系统认识等缺陷,影响了模型预测的准确性。为此,本文使用一类基于广义部分线性模型理论的违约概率模型：P(Y=1|U,T)=E(Y|U,T)=G(UTβ+m(T))其中G(·)是给定连接函数,β是未知的参数向量,m(·)是未知的非参函数。这个模型同时含有参数向量和非参数向量,具有良好的解释性和适应性。本文结合各种文献讨论了广义部分线性模型的估计理论和计算过程,并将二分类广义部分线性违约概率模型拓展到有序多分类的情形。最后通过处理加州大学欧文分校(UCI)机器学习数据库的德国信用卡数据,对广义部分线性模型的拟合精度和预测效果与传统的Logistic违约概率模型在二分类和有序多分类两种情形下进行了实证比较,并通过构造ROC曲线、CAP曲线、K-S检测曲线等对两类违约概率模型的功效进行了评价。本文创新点：将广义部分线性模型应用到信用风险评估领域,研究了在二分类和有序多分类情形下的广义部分线性违约概率模型,为违约概率的测算提供了一种新的途径,并结合实例研究说明广义部分线性违约概率模型的可行性和有效性。